論文の概要: Source Distribution Estimation by Posterior Averaging

• arxiv url: http://arxiv.org/abs/2609.02622v1
• Date: Wed, 02 Sep 2026 14:01:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.404731
• Title: Source Distribution Estimation by Posterior Averaging
• Title（参考訳）: 後部平均化による音源分布推定
• Authors: Trung-Dung Hoang, Lisa M. Koch,
• Abstract要約: シミュレーションに基づく科学は、プッシュフォワードが実観測の集合を再現するシミュレーターパラメータの上の分布を必要とすることが多い。 既存のメソッドは、事前の固定された提案からトレーニングされた可能性のあるサロゲートに対して、ソースに適合する。 提案手法は, 現在の推定値から得られた新しいシミュレーションに基づいて, E-step を補正し, M-step は観測データよりも後方の平均値に補正する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-based science often requires a distribution over simulator parameters whose push-forward reproduces a set of real observations: this is the source distribution estimation (SDE) problem. Existing methods fit the source against a likelihood surrogate trained once from a fixed proposal prior. Their objective is therefore stated only in terms of the surrogate instead of the true simulator, which may fail for inaccurate areas in parameter space where the surrogate was never trained. We instead solve SDE by expectation maximization: an E-step trains an amortized posterior on fresh simulations from the current source estimate, and an M-step refits the source to the average of that posterior over the observed data. We give two parameterizations, (1) separate source and posterior flows and (2) a single shared conditional flow. We evaluate our method on three benchmark tasks under both broad and misspecified initial priors. Both improve on existing fixed surrogate approaches and on iterated variants of each, most clearly on Lotka--Volterra, where no baseline falls below 0.96 data-space C2ST while our methods reach 0.64-0.68 in three of four initial-prior settings.
• Abstract（参考訳）: シミュレーションに基づく科学では、しばしば、プッシュフォワードが実観測の集合を再現するシミュレーターパラメータの上の分布を必要とする:これはソース分布推定(SDE)問題である。 既存のメソッドは、事前の固定された提案からトレーニングされた可能性のあるサロゲートに対して、ソースに適合する。 したがって、それらの目的は、サロゲートが訓練されていないパラメータ空間の不正確な領域で失敗する真のシミュレータの代わりにサロゲートとしてのみ記述される。 その代わりに、推定最大化によりSDEを解く:Eステップは、現在のソース推定値から新しいシミュレーションに基づいて、償却後部をトレーニングし、Mステップは、観測されたデータに対して、その後部の平均にソースを適合させる。 パラメータ化は,(1)ソースフローと後流,(2)共有条件フローの2つに分けて行う。 提案手法を広範かつ不特定な初期条件下での3つのベンチマークタスクで評価する。 Lotka-Volterraでは、ベースラインが0.96データ空間C2ST以下で、私たちのメソッドは4つの初期優先度設定のうち3つで0.64-0.68に達する。

関連論文リスト

• Proximal-IMH: Proximal Posterior Proposals for Independent Metropolis-Hastings with Approximate Operators [4.887201041798969]
  本稿では,近似後部からのサンプルを補助最適化問題により補正する手法であるProximal-IMHを紹介する。 最適設定のために、近似補正が近似後部と正確な後部とのマッチングを締め付け、受容率と混合率を向上させることを証明した。 この方法は線形および非線形入力出力演算子の両方に適用され、特に正確な後方サンプリングが高価すぎる逆問題に向いている。
  論文  参考訳（メタデータ） (2026-02-24T22:58:50Z)
• Bayesian Surrogate Training on Multiple Data Sources: A Hybrid Modeling Strategy [3.2926386146887796]
  代理訓練中にシミュレーションデータと実世界の計測データを統合するための2つの新しい手法を提案する。 第1の方法は、各データソースに対するサロゲートモデルを訓練し、予測分布を組み合わせ、第2の方法は、単一のサロゲートをトレーニングすることで、両方のデータソースを組み込む。
  論文  参考訳（メタデータ） (2024-12-16T15:27:28Z)
• Robust Barycenter Estimation using Semi-Unbalanced Neural Optimal Transport [84.51977664336056]
  本研究では、ロバストな連続バリセンタを推定するための新しいスケーラブルなアプローチを提案する。 提案手法は min-max 最適化問題であり,一般的なコスト関数に適用可能である。
  論文  参考訳（メタデータ） (2024-10-04T23:27:33Z)
• Sourcerer: Sample-based Maximum Entropy Source Distribution Estimation [5.673617376471343]
  本稿では,最大エントロピー分布,すなわち可能な限り不確実性を維持することを優先する手法を提案する。 提案手法は,Sliced-Wasserstein距離を利用して,データセットとシミュレーションの差分を測定する。 提案手法の有用性を実証するために,何千もの単一ニューロン計測を用いた実験データセットから,Hodgkin-Huxleyモデルのパラメータのソース分布を推定する。
  論文  参考訳（メタデータ） (2024-02-12T17:13:02Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• DF2: Distribution-Free Decision-Focused Learning [30.288876294435294]
  決定中心学習(DFL)は,予測列最適化問題に対する強力なアプローチとして登場した。 DFLはモデル誤差、サンプル平均近似誤差、近似誤差の3つのボトルネックに直面している。 本稿では,この3つのボトルネックを緩和する決定自由学習手法であるDF2を提案する。
  論文  参考訳（メタデータ） (2023-08-11T00:44:46Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Batch Stationary Distribution Estimation [98.18201132095066]
  サンプル遷移の組を与えられたエルゴードマルコフ鎖の定常分布を近似する問題を考える。 与えられたデータに対する補正比関数の復元に基づく一貫した推定器を提案する。
  論文  参考訳（メタデータ） (2020-03-02T09:10:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。